WO2019218159A1 - 一种基于粒子群算法的机器人路径规划方法、装置及终端设备 - Google Patents

一种基于粒子群算法的机器人路径规划方法、装置及终端设备 Download PDF

Info

Publication number
WO2019218159A1
WO2019218159A1 PCT/CN2018/086896 CN2018086896W WO2019218159A1 WO 2019218159 A1 WO2019218159 A1 WO 2019218159A1 CN 2018086896 W CN2018086896 W CN 2018086896W WO 2019218159 A1 WO2019218159 A1 WO 2019218159A1
Authority
WO
WIPO (PCT)
Prior art keywords
path
particle
paths
obstacle
robot
Prior art date
Application number
PCT/CN2018/086896
Other languages
English (en)
French (fr)
Inventor
黄建军
刘紫丹
黄敬雄
Original Assignee
深圳大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 深圳大学 filed Critical 深圳大学
Priority to PCT/CN2018/086896 priority Critical patent/WO2019218159A1/zh
Publication of WO2019218159A1 publication Critical patent/WO2019218159A1/zh

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations

Definitions

  • the present invention belongs to the field of artificial intelligence technology, and in particular, to a robot path planning method, device and terminal device based on a particle swarm algorithm.
  • the path planning algorithm can be divided into a traditional path planning algorithm and an intelligent bionic path planning algorithm.
  • Traditional path planning algorithms such as Dijkstra algorithm, Dijkstra algorithm is a single-source path planning algorithm, because of the exhaustive operation, it has too long computation time and low efficiency; intelligent bionic algorithm such as particle swarm algorithm, particle swarm algorithm The calculation is simple, and the global optimization ability is strong, but the planned path has many defects such as a large number of turns and a large turning angle.
  • modeling is performed according to information of a robot active site, a simulation environment is generated, and the simulation environment is used as an environment background of the algorithm; and M candidate paths are generated according to the particle swarm algorithm; on the M alternative paths, The M candidate paths are smoothed by the Dijkstra algorithm, and an optimal path from the starting point to the target point is searched for from all the nodes of the M candidate paths as the final path.
  • the present invention uses the Dijkstm algorithm, and the optimal solution generated is smoother than the optimal solution generated by the particle swarm algorithm, and the path is shorter; compared with the Dijkstm algorithm, the present invention passes the processing efficiency.
  • the high particle swarm optimization algorithm reduces the path calculation range and reduces the computational complexity of the Dijkstm algorithm for subsequent processing, thereby improving the computational efficiency.
  • FIG. 1 is a schematic flowchart of an implementation process of a robot path planning method based on a particle swarm optimization algorithm according to an embodiment of the present invention
  • FIG. 2 is a structural block diagram of a robot path planning apparatus based on a particle swarm optimization algorithm according to an embodiment of the present invention.
  • FIG. 3 is a schematic diagram of a robot path planning terminal device based on a particle swarm optimization algorithm according to an embodiment of the present invention.
  • Step S1 modeling according to the information of the robot active site, and generating a simulation environment.
  • the modeling and generating the simulation environment according to the information of the active venue of the robot, that is, the environment modeling process includes:
  • Step S101 Establish a Cartesian coordinate system according to the information of the active site, and determine a starting point and an ending point of the robot activity in the Cartesian coordinate system.
  • information of the robot activity site is first acquired, wherein the information of the robot activity site includes a position and a shape of all obstacles in the activity site, size information of the robot, and a start point and an end point of the robot movement in the activity site. .
  • Cartesian coordinate system is established in the robot activity field, and in the Cartesian coordinate system, coordinates of the start point and the end point of the robot activity are recorded according to the start point and the end point of the acquired robot activity.
  • Step S102 Perform regularization processing on the obstacle in the active site to obtain vertex coordinates of the obstacle in the Cartesian coordinate system.
  • preliminary modeling is performed according to the shape and position information of the obstacle according to the minimum rectangle capable of completely covering the obstacle, wherein the rectangle and the coordinate axis of the Cartesian coordinate system Parallel
  • the obstacles in the environment may be abstractly described: Since the area where the obstacle is not present does not affect the action of the robot, the area where the obstacle is not present is taken as Free space; instead, for areas with obstacles, because it directly hinders the action of the robot, it is taken as an obstacle space.
  • the colorless representation can be used to refer to the feasible space in the environment, and the black color indicates the obstacle area in the environment, which is not limited here.
  • Step S103 using an array to represent the coordinates of each vertex of the obstacle.
  • the obstacle since the obstacle is a rectangle, the obstacle may be represented by an array containing coordinates of all obstacle vertices. Further, the environment information is represented by a Cartesian coordinate method, that is, each point in the environment can be uniquely represented by coordinates in a two-dimensional plane coordinate system. [0027] After performing the above processing, the obstacle modeling is completed, that is, all obstacles in the environment are represented by an array of coordinates of four vertices including each obstacle rectangle.
  • Step S2 randomly generating N initial paths that do not intersect the obstacle according to the start point and the end point of the robot activity, and adopting a particle swarm algorithm based method to perform N initial paths in the simulation environment. Optimization, select M global optimal paths in the path generated by optimization, where M and N are positive integers greater than 1, and M is a preset value.
  • the method based on the particle swarm optimization algorithm optimizes the N initial paths in the simulation environment, and selects M global optimal paths in the optimized generated path, including:
  • Step S201 Initializing a particle group, wherein the particle group includes N particles, each of which is an initial path that does not intersect the obstacle.
  • the particle group is initialized, and the initial particle group is represented as N particles, that is, N randomly generated initial paths that do not intersect the obstacle,
  • Equation (1) Represents the i-th particle, the i-th path, which can be mathematically represented as shown in equation (1):
  • the particle i is composed of D path nodes, that is, D position coordinate points, and may be described as a particle i is a D-dimensional particle, and iPi) represents a position set of all elements in the i-th particle.
  • the mathematical description can be expressed as formula (2) :
  • Step S202 Perform path node update from the beginning of each particle according to a preset update rule, thereby generating a plurality of optimized paths.
  • the position of each dimension element in the D-dimensional particle i in this embodiment is set to update the variable speed. It is indicated that since the first element S in the D-dimensional particle i represents the starting point of the path, the last element T in the D-dimensional particle i represents the end point of the path, and the positions of the two points do not change, so the particle i The speed of an element and the last element does not change, ie
  • the position of the particle i is the position of the dth element in the current particle i
  • S represents the starting point of the path and T represents the ending point, which are all fixed values.
  • the straight line segment intersects with the obstacle to judge.
  • t represents the time when the particle position is updated
  • the particle i has its own optimal solution from the starting point to the d-dimensional element; Indicates the global optimal solution when time is t.
  • the fitness value of the D-dimensional particle i (the total path length of the particle i) is calculated by the fitness function to compare all the paths of the particle i's own history, and the fitness value is minimized (path) The shortest path, recorded as its own optimal solution
  • the particle with the smallest fitness value (the shortest path) in the particle group calculated by the fitness function is recorded as the global optimal solution.
  • Step S203 Perform a fitness function calculation on all the optimized paths generated by each particle itself, and select the M paths with the smallest fitness value from all the optimized paths of all the particles as the global optimal path.
  • each particle i generates a plurality of alternative paths, respectively calculating the fitness value of each path, comparing all the generated paths of all the particles, and selecting M pieces of fitness.
  • the path with the smallest value is taken as the global optimal path.
  • M is a preset value, which is not limited herein.
  • Step S3 selecting a final path from the M global optimal paths by using a Dijkstm algorithm-based method
  • the M global optimal paths generated in step S2 are first represented as a set P:
  • S represents the starting position of the path
  • T represents the target position
  • S and T are both fixed values
  • n mi represents the i-th path node in the mth particle.
  • any two nodes in the set P Connect a straight line into a line segment to determine whether the line segment intersects the obstacle. If they do not intersect, calculate the node.
  • the weight of the arc if they intersect, then The weight of the arc is m
  • Step S304 Select a path corresponding to the minimum weighting value from the adjacency matrix A as a final path according to the optimal particle Dijkstm algorithm.
  • the Dijkstm algorithm is used to calculate from one vertex to the rest
  • An algorithm for the shortest path of a vertex which can be expressed as equation (8) :
  • the path selected by the Dijkstra algorithm is finally used as the final path.
  • the particle path algorithm-based robot path planning apparatus 2 includes: a modeling module 21, a first optimization module 22, and a second optimization module.
  • the modeling module 21 is configured to perform modeling according to information of the robot activity site, and generate a simulation environment.
  • the first optimization module randomly generates N initial paths that do not intersect the obstacle according to the start point and the end point of the robot activity, and adopts a method based on the particle swarm algorithm to perform N initials in the simulation environment.
  • the path is optimized, and M global optimal paths are selected in the path generated by the optimization;
  • the second optimization module selects a final path from the M global optimal paths by using a Dijkstra algorithm based method.
  • the modeling module 21 includes:
  • establishing a coordinate system unit configured to establish a Cartesian coordinate system according to the information of the active site, and determine a starting point and an ending point of the robot activity in the Cartesian coordinate system;
  • an obstacle processing unit configured to perform regularization processing on an obstacle in the active site, and obtain vertex coordinates of the obstacle in the Cartesian coordinate system
  • an array unit configured to use an array to represent respective vertex coordinates of the obstacle.
  • the obstacle processing unit includes:
  • a coordinate acquiring unit configured to perform preliminary modeling according to the shape and position information according to the obstacle, using a minimum rectangle capable of completely covering the obstacle, wherein the rectangle and the Cartesian coordinate system The coordinate axes are parallel;
  • the first optimization 22 includes:
  • an initializing unit configured to initialize a particle group, wherein the particle group includes N particles, each of which is an initial path that does not intersect the obstacle;
  • a path update unit performing path node update from a starting point of each particle according to a preset update rule, thereby generating a plurality of optimized paths
  • the fitness calculation unit performs a fitness function calculation on all the optimized paths generated by each particle itself, and selects the M paths with the smallest fitness value from all the optimized paths of all the particles as the global optimal path.
  • the path update unit includes:
  • the second unit is configured to use a particle swarm algorithm speed update formula if a straight line segment connecting the updated d+1th path node and the dth path node intersects the obstacle Regenerating the location update speed V d of the last d-th path node and returning to the first unit;
  • the third unit is configured to: if the updated d+1th path node and the dth path node are not connected to the obstacle, continue to perform on the particle The path node is updated until the end point is reached.
  • the second optimization unit 23 includes:
  • a collecting unit configured to represent the M global optimal paths into a set P:
  • S represents a starting position of the path
  • T represents a target position
  • S and T are both fixed values
  • a weight calculation unit configured to pair any two nodes in the set P
  • a weighting map unit configured to save the weighted graph in an adjacent matrix A after newly weighting the M paths
  • a final path unit configured to select, according to the optimal particle Dijkstm algorithm, a path corresponding to the minimum weighting value from the adjacency matrix A as a final path.
  • the particle swarm algorithm-based robot path planning terminal device 3 of this embodiment includes: a processor 30, a memory 31, and a computer program stored in the memory 31 and operable on the processor 30. 32.
  • a robot path planning program based on particle swarm optimization.
  • the processor 30 executes the computer program 32 to implement the steps in the foregoing embodiments of the particle swarm algorithm-based robot path planning method, such as steps 101 to 103 shown in FIG.
  • the processor 30 executes the computer program 32, the functions of the modules/units in the foregoing device embodiments are implemented, such as the functions of the modules 21 to 23 shown in FIG.
  • the computer program 32 may be divided into one or more modules/units, which are stored in the memory 31 and executed by the processor 30.
  • the one or more modules/units may be a series of computer program instruction segments capable of performing a particular function, the instruction segments being used to describe the computer program 32 in the particle swarm algorithm based robot path planning terminal device 3 Implementation process.
  • the computer program 32 can be divided into a modeling module, a first optimization module, and a second optimization module, and the specific functions of each module are as follows:
  • a modeling module configured to perform modeling according to information of a robot active site, and generate a simulation environment
  • the first optimization module randomly generates N initial paths that do not intersect the obstacle according to the start point and the end point of the robot activity, and adopts a method based on the particle swarm algorithm to perform N initials in the simulation environment.
  • the path is optimized, and M global optimal paths are selected in the path generated by the optimization;
  • a second optimization module using a Dijkstra algorithm-based method to select the most from the M global optimal paths The final path.
  • the particle path group-based robot path planning terminal device 3 may be a computing device such as a desktop computer, a notebook, a palmtop computer, and a cloud server.
  • the particle path algorithm based robot path planning terminal device may include, but is not limited to, the processor 30 and the memory 31. It can be understood by those skilled in the art that FIG. 3 is only an example of the robot path planning terminal device 3 based on the particle swarm algorithm, and does not constitute a limitation of the robot path planning terminal device 3 based on the particle swarm algorithm, and may include more than the illustration. Or fewer components, or a combination of certain components, or different components, such as the particle swarm algorithm based robotic path planning terminal device may also include input and output devices, network access devices, buses, and the like.
  • the processor 30 may be a central processing unit (CPU), or may be another general-purpose processor, a digital signal processor (DSP), or an application specific integrated circuit (Application Specific Integrated Circuit, ASIC), ready-to-use programmable gate array
  • CPU central processing unit
  • DSP digital signal processor
  • ASIC Application Specific Integrated Circuit
  • the general purpose processor may be a microprocessor or the processor or any conventional processor or the like.
  • the memory 31 may be an internal storage unit of the robotic path planning terminal device 3 based on the particle swarm algorithm, such as a hard disk or a memory of the robot path planning terminal device 3 based on the particle swarm algorithm.
  • the memory 31 may also be an external storage device of the robotic path planning terminal device 3 based on the particle swarm algorithm, for example, the plug-in hard disk equipped on the robot path planning terminal device 3 based on the particle swarm optimization algorithm, and the smart memory card (Smart Media Card, SMC), Secure Digital (SD) card, Flash Card, etc.
  • the memory 31 may also include both the internal storage unit of the robotic path planning terminal device 3 based on the particle swarm optimization algorithm and an external storage device.
  • the memory 31 is used to store the computer program and other programs and data required by the particle swarm algorithm based robot path planning terminal device.
  • the memory 31 can also be used to temporarily store data that has been output or is about to be output.
  • the present embodiment generates a simulation environment by first modeling according to the information of the active venue of the robot, and using the simulation environment as an environment background of the algorithm; generating M alternative paths according to the particle swarm algorithm; On the M alternative paths, the M candidate paths are smoothed by the Dijkstm algorithm, from M An optimal path from the starting point to the target point is searched for as a final path among all the nodes of the candidate path.
  • the optimal solution generated by the Dijkstm algorithm is smoother than the optimal solution generated by the particle swarm optimization algorithm, and the path is shorter.
  • the embodiment has high processing efficiency.
  • the particle swarm optimization algorithm reduces the path calculation range and reduces the computational complexity of the Dijkstm algorithm for subsequent processing, thereby improving the computational efficiency.
  • each functional unit and module described above is exemplified. In practical applications, the above functions may be assigned differently according to needs.
  • the functional unit and the module are completed, that is, the internal structure of the device is divided into different functional units or modules to complete all or part of the functions described above.
  • Each functional unit and module in the embodiment may be integrated into one processing unit, or each unit may exist physically separately, or two or more units may be integrated into one unit, and the integrated unit may be implemented by hardware.
  • Formal implementation can also be implemented in the form of software functional units.
  • the disclosed device/terminal device and method may be implemented in other manners.
  • the device/terminal device embodiment described above is merely illustrative.
  • the division of the module or unit is only a logical function division.
  • there may be another division manner for example, multiple units.
  • components may be combined or integrated into another system, or some features may be omitted or not implemented.
  • the mutual coupling or direct coupling or communication connection shown or discussed may be through some interface, indirect coupling of devices or units or Communication connections can be electrical, mechanical or other forms.
  • the units described as separate components may or may not be physically separated, and the components displayed as units may or may not be physical units, that is, may be located in one place, or may be distributed to multiple networks. On the unit. Some or all of the units may be selected according to actual needs to achieve the purpose of the solution of the embodiment.
  • each functional unit in each embodiment of the present invention may be integrated into one processing unit, or each unit may exist physically separately, or two or more units may be integrated into one unit.
  • the above integrated unit can be implemented in the form of hardware or in the form of a software functional unit.
  • the integrated module/unit if implemented in the form of a software functional unit and sold or used as a standalone product, may be stored in a computer readable storage medium. Based on such understanding, the present invention implements all or part of the processes in the foregoing embodiments, and may also be completed by a computer program to instruct related hardware.
  • the computer program may be stored in a computer readable storage medium. The steps of the various method embodiments described above may be implemented when the program is executed by the processor.
  • the computer program includes computer program code, and the computer program code may be in the form of a source code, an object code, an executable file, or some intermediate form.
  • the computer readable medium may include: any entity or device capable of carrying the computer program code, a recording medium, a USB flash drive, a removable hard disk, a magnetic disk, an optical disk, a computer memory, a Read-Only Memory (ROM). , Random Access Memory (RAM), electrical carrier signals, telecommunications signals, and software distribution media. It should be noted that the content contained in the computer readable medium may be appropriately increased or decreased according to the requirements of legislation and patent practice in a jurisdiction, for example, in some jurisdictions, according to legislation and patent practice, computer readable media It does not include electrical carrier signals and telecommunication signals.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

一种基于粒子群算法的机器人路径规划方法、装置及终端设备，包括：根据机器人活动场地的信息进行建模，生成模拟环境（S1）；根据该机器人活动的起点和终点随机生成N条不与该障碍物相交的初始路径，采用基于粒子群算法的方法在该模拟环境中，对N条初始路径进行优化，在优化产生的路径中选出M条全局最优路径（S2）；采用基于Dijkstra算法的方法从该M条全局最优路径中选出最终路径（S3）。该方法适用于人工智能技术领域，结合了粒子群算法与Dijkstra算法的优点进行机器人路径规划，既增加了最优路径的平滑度，也提升了计算效率。

Description

发明名称:一种基于粒子群算法的机器人路径规划方法、 装置及终 端设备
技术领域
[0001] 本发明属于人工智能技术领域， 尤其涉及一种基于粒子群算法的机器人路径规 划方法、 装置及终端设备。
背景技术
[0002] 随着社会发展的需要和机器人应用领域的扩大， 人们对移动机器人的要求越来 越高。 移动机器人关键技术主要涉及： 导航， 定位， 避障和路径规划。 而路径 规划的关键就是算法的研究和设计。
[0003] 在现有技术中， 可将路径规划算法分为传统路径规划算法和智能仿生学路径规 划算法。 传统路径规划算法如： Dijkstra算法， Dijkstra算法是一种单源的路径规 划算法， 因为运用穷举所以存在运算时间过长且效率低等问题； 智能仿生学算 法如粒子群算法， 粒子群算法虽然计算简单， 全局寻优能力强， 但是规划出的 路径具有转弯次数多， 累计转折角大等缺陷。
发明概述
技术问题
[0004] 现有技术中机器人路径规划算法规划路径不平滑且效率低。
问题的解决方案
技术解决方案
[0005] 首先根据机器人活动场地的信息进行建模， 生成模拟环境， 将所述模拟环境作 为算法的环境背景； 根据粒子群算法产生 M条备选路径； 在所述 M条备选路径上 ， 由 Dijkstra算法对所述 M条备选路径做平滑处理， 从 M条备选路径的所有结点 中搜索出一条从起始点到目标点的最优路径作为最终路径。
发明的有益效果
有益效果 [0006] 本发明相较于粒子群算法， 由于使用了 Dijkstm算法， 产生的最优解比粒子群算 法产生的最优解更平滑， 路径更短； 相较于 Dijkstm算法， 本发明通过处理效率 高的粒子群算法缩小路径计算范围， 减少了 Dijkstm算法进行后续处理的计算量 ， 从而提升了计算效率。
对附图的简要说明
附图说明
[0007] 为了更清楚地说明本发明实施例中的技术方案， 下面将对实施例或现有技术描 述中所需要使用的附图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是 本发明的一些实施例， 对于本领域普通技术人员来讲， 在不付出创造性劳动性 的前提下， 还可以根据这些附图获得其他的附图。
[0008] 图 1是本发明实施例提供的基于粒子群算法的机器人路径规划方法的实现流程 示意图；
[0009] 图 2是本发明实施例提供的基于粒子群算法的机器人路径规划装置的结构框图
[0010] 图 3是本发明实施例提供的基于粒子群算法的机器人路径规划终端设备的示意 图。
实施该发明的最佳实施例
本发明的最佳实施方式
[0011] 以下描述中， 为了说明而不是为了限定， 提出了诸如特定系统结构、 技术之类 的具体细节， 以便透彻理解本发明实施例。 然而， 本领域的技术人员应当清楚 ， 在没有这些具体细节的其它实施例中也可以实现本发明。 在其它情况中， 省 略对众所周知的系统、 装置、 电路以及方法的详细说明， 以免不必要的细节妨 碍本发明的描述。
[0012] 为了说明本发明所述的技术方案， 下面通过具体实施例来进行说明。
[0013]
[0014] 实施例一
[0015] 图 1示出了本发明实施例一提供的基于粒子群算法的机器人路径规划方法的实 现流程， 详述如下： [0016] 步骤 Sl， 根据机器人活动场地的信息进行建模， 生成模拟环境。
[0017] 在本发明实施例中， 所述根据机器人活动场地的信息进行建模生成模拟环境， 即环境建模过程包括：
[0018] 步骤 S101， 根据所述活动场地的信息建立直角坐标系， 在所述直角坐标系中确 定机器人活动的起点和终点。
[0019] 可选地， 首先获取机器人活动场地的信息， 其中所述机器人活动场地的信息包 括活动场地中所有障碍物的位置和形状， 机器人的尺寸信息， 机器人在活动场 地中运动的起点和终点。
[0020] 进一步地， 在机器人活动场地中建立直角坐标系， 在所述直角坐标系中， 根据 上述获取到的机器人活动的起点和终点， 记录下所述机器人活动的起点和终点 的坐标。
[0021] 步骤 S102, 对所述活动场地中的障碍物进行规则化处理， 获得所述障碍物在所 述直角坐标系中的顶点坐标。
[0022] 可选地， 根据所述根据所述障碍物的形状和位置信息， 使用能够完全覆盖所述 障碍物的最小矩形进行初步建模， 其中所述矩形与所述直角坐标系的坐标轴平 行；
[0023] 将所述初步建模的矩形的四边分别向外延伸二分之一机器人的长度， 获得延伸 后得到的矩形的各个顶点坐标。
[0024] 可选地， 为了方便路径规划， 可对环境中的障碍物进行抽象描述： 由于不存在 障碍物的区域对机器人的行动不造成影响， 所以将所述不存在障碍物的区域取 为自由空间； 相反对于存在障碍物的区域， 因为直接阻碍了机器人的行动， 所 以将其取为障碍物空间。 同时为了区分障碍物区域和机器人可通行区域， 可以 用无色表示指环境中的可行空间， 黑色表示环境中的障碍物区域， 此处不做限 定。
[0025] 步骤 S103 , 使用数组表示所述障碍物的各个顶点坐标。
[0026] 可选地， 因为障碍物为矩形， 所以可以用包含所有障碍物顶点坐标的数组表示 所述障碍物。 进一步地， 采用直角坐标法表示环境信息， 即环境中的每一个点 都可以用二维平面坐标系中的坐标进行唯一表示。 [0027] 进行上述处理后， 就完成了障碍物建模， 即环境中所有障碍物由包含每个障碍 物矩形的四个顶点坐标的数组表示。
[0028] 步骤 S2， 根据所述机器人活动的起点和终点随机生成 N条不与所述障碍物相交 的初始路径， 采用基于粒子群算法的方法在所述模拟环境中， 对 N条初始路径进 行优化， 在优化产生的路径中选出 M条全局最优路径， 其中 M， N均为大于 1的 正整数， M为预先设定的值。
[0029] 在本发明实施例中， 所述采用基于粒子群算法的方法在所述模拟环境中对 N条 初始路径进行优化， 在优化产生的路径中选出 M条全局最优路径包括：
[0030] 步骤 S201 : 初始化粒子群， 其中所述粒子群中包含 N个粒子， 每个粒子均为与 所述障碍物不相交的初始路径。
[0031] 可选地， 初始化粒子群， 将初始粒子群表示为 N个粒子， 即 N条随机生成的与 障碍物不相交的初始路径， 用
代表第 i个粒子， 即第 i条路径， 可用数学表示成如公式 （1） 所示：
Figure imgf000006_0001
[0033] 可选地， 粒子 i是由 D个路径结点构成， 即 D个位置坐标点构成， 可以描述成粒 子 i是 D维粒子， iPi） 表示第 i个粒子中所有元素的位置集合。 数学描述可以表示为公式 （2） :
Figure imgf000006_0002
[0035] 其中， S是起点， T是终点。
[0036] 步骤 S202: 根据预设更新规则从每个粒子的起点开始进行路径节点更新， 从而 生成若干条优化路径。
[0037] 示例地， 本实施例中 D维粒子 i中的每一维元素的位置置更新变量用速度 来表示， 由于 D维粒子 i中的第一个元素 S表示路径的起点， D维粒子 i中的最后一 个元素 T表示路径的终点， 这两个点的位置不发生变化， 所以粒子 i的第一个元素 和最后一个元素速度不发生变化， 即
和
都为 0。 最终 D维粒子 i的速度表示如公式（3）所示：
[0038] .
= 2, ， D— 1_; .i == 1,2, , N
Figure imgf000007_0001
{ 0, d = D： i = 1,2, -y N
[0039] 进一步地， 粒子 i的位置是当前粒子 i中的第 d个元素的位置
与第 d个元素的速度之和， 公式表示如 （4） :
[0040]
+ V id
s，
T,
Figure imgf000007_0002
[0041] 其中， S表示路径起点， T表示终点， 均为固定值。
[0042] 具体地， 将粒子 i的第 d维元素（路径的第 d个结点）位置更新为
后， 需要判断其与第 d-1维元素（路径的第 d-1个结点）连成的直线段是否和环境 中的障碍物相交， 即对
Figure imgf000008_0001
直线段与障碍物是否相交进行判断。
[0043] 进一步地， 若
Figure imgf000008_0002
直线段与环境中的障碍物不相交， 则 iri Is 作为粒子 i的第 d维元素（路径的第 d个结点）更新后的位置合适， 继续进行下一步 的位置更新； 若
Figure imgf000008_0003
直线段和环境中的障碍物有交点， 则采用速度更新公式重新生成粒子 i的第 d维 元素的（路径的第 d个结点）速度， 速度更新公式如公式 （5） 所示：
[0044]
Figure imgf000009_0001
[0045] 其中， 和 是［0,1］区间内的任意值，
Figure imgf000010_0001
及
Figure imgf000010_0002
， t表示粒子位置更新的时间;
[0046]
PM(0 表示时间为 t时， 粒子 i从起点到第 d维元素的自身最优解;
Figure imgf000010_0003
表示时间为 t时的全局最优解。 可选地， 在算法迭代过程中， 通过适应度函数 计算出 D维粒子 i的适应度值（粒子 i的路径总长度）将粒子 i的自身历史所有路径进 行比较， 将适应度值最小（路径最短）的路径， 记为自身最优解
； 将适应度函数计算出的粒子群中适应度值最小（路径最短）的粒子， 记为全局 最优解
[0047]
为速度更新公式中第 k次迭代的惯性权重， 可由公式 （6） 计算得出:
[0048] : 嫩; ndn
. n x k
Figure imgf000011_0001
Figure imgf000011_0002
[0049] 其中， 在本实施例中令
Figure imgf000011_0003
[0050] 步骤 S203: 对每个粒子自身产生的所有优化路径进行适应度函数计算， 从所有 粒子的所有优化路径中选出 M个适应度值最小的路径作为全局最优路径。
[0051] 在步骤 S202的迭代中每个粒子 i都产生了若干条备选路径， 分别计算每条路径 的适应度值， 对所有粒子的所有产生的路径进行比对， 选出 M条适应度值最小的 路径作为全局最优路径。 可选地， M为预先设定的值， 此处不做限定。
[0052] 步骤 S3 , 采用基于 Dijkstm算法的方法从所述 M条全局最优路径中选出最终路径
[0053] 可选地， 首先将步骤 S2中产生的所述 M条全局最优路径表示成集合 P:
[0054]
Figure imgf000011_0004
[0055] 其中， S表示路径的起始位置， T表示目标位置， S和 T均为定值; n mi 表示第 m个粒子中的第 i个路径节点。
[0056] 进一步地， 对集合 P中的任意两结点
Figure imgf000012_0001
用直线连成线段， 判断所述线段是否与所述障碍物相交， 若不相交， 则计算结 点
% 和结点
之间的欧氏距离
并作为
弧的权值； 若相交， 则
Figure imgf000012_0002
弧的权值为 m
[0057] 可选地， 更新完 M条路径的加权图后， 将所述加权图保存在一个邻接矩阵 A中
[0058] 步骤 S304: 根据最优粒子 Dijkstm算法从所述邻接矩阵 A中选出最小加权值对应 的路径为最终路径。 其中， 所述 Dijkstm算法是用来计算从一个顶点到其余各个 顶点的最短路径的算法， 所述邻接矩阵可表示为公式 （8） :
[0059]
Figure imgf000013_0001
[0060] 其中，
Figure imgf000013_0002
表示加权图中的结点个数。
[0061] 可选地， 最后将 Dijkstra算法选出的路径作为最终路径。
[0062] 应理解， 上述实施例中各步骤的序号的大小并不意味着执行顺序的先后， 各过 程的执行顺序应以其功能和内在逻辑确定， 而不应对本发明实施例的实施过程 构成任何限定。
[0063] 实施例二
[0064] 图 2示出了本发明实施例提供的基于粒子群算法的机器人路径规划装置的结构 框图， 为了便于说明， 仅示出了与本发明实施例相关的部分。 该基于粒子群算 法的机器人路径规划装置 2包括： 建模模块 21， 第一优化模块 22， 第二优化模块
23。
[0065] 其中， 建模模块 21， 用于根据机器人活动场地的信息进行建模， 生成模拟环境
[0066] 第一优化模块， 根据所述机器人活动的起点和终点随机生成 N条不与所述障碍 物相交的初始路径， 采用基于粒子群算法的方法在所述模拟环境中， 对 N条初始 路径进行优化， 在优化产生的路径中选出 M条全局最优路径；
[0067] 第二优化模块， 采用基于 Dijkstra算法的方法从所述 M条全局最优路径中选出最 终路径。
[0068] 可选地， 所述建模模块 21包括：
[0069] 建立坐标系单元， 用于根据所述活动场地的信息建立直角坐标系， 在所述直角 坐标系中确定机器人活动的起点和终点；
[0070] 障碍物处理单元， 用于对所述活动场地中的障碍物进行规则化处理， 获得所述 障碍物在所述直角坐标系中的顶点坐标； [0071] 数组单元， 用于使用数组表示所述障碍物的各个顶点坐标。
[0072] 进一步地， 所述障碍物处理单元包括：
[0073] 坐标获取单元， 用于根据所述根据所述障碍物的形状和位置信息， 使用能够完 全覆盖所述障碍物的最小矩形进行初步建模， 其中所述矩形与所述直角坐标系 的坐标轴平行；
[0074] 将所述初步建模的矩形的四边分别向外延伸二分之一机器人的长度， 获得延伸 后得到的矩形的各个顶点坐标。
[0075] 可选地， 所述第一优化 22包括：
[0076] 初始化单元， 用于初始化粒子群， 其中所述粒子群中包含 N个粒子， 每个粒子 均为与所述障碍物不相交的初始路径；
[0077] 路径更新单元， 根据预设更新规则从每个粒子的起点开始进行路径节点更新， 从而生成若干条优化路径；
[0078] 适应度计算单元， 对每个粒子自身产生的所有优化路径进行适应度函数计算， 从所有粒子的所有优化路径中选出 M个适应度值最小的路径作为全局最优路径。
[0079] 进一步地， 所述路径更新单元包括：
[0080] 第一单元， 用于根据当前第 d个路径节点的位置更新速度 V d对相应的粒子进行 路径节点更新， 判断所述更新后的第 d+1个路径节点与所述第 d个路径节点连成 的直线段是否与所述障碍物相交；
[0081] 第二单元， 用于若所述更新后的第 d+1个路径节点与所述第 d个路径节点连成的 直线段与所述障碍物相交， 则采用粒子群算法速度更新公式重新生成所述上一 个第 d个路径节点的位置更新速度 V d并返回第一单元；
[0082] 第三单元， 用于若所述更新后的第 d+1个路径节点与所述第 d个路径节点连成的 直线段不与所述障碍物相交， 则继续对所述粒子进行路径节点更新， 直至到达 所述终点为止。
[0083] 可选地， 所述第二优化单元 23包括：
[0084] 集合单元， 用于将所述 M条全局最优路径表示成集合 P:
[0085]
Figure imgf000015_0001
[0086] 其中， S表示路径的起始位置， T表示目标位置， S和 T均为定值;
表示第 m个粒子中的第 i个路径节点；
[0087] 权值计算单元， 用于对集合 P中的任意两结点
（% ）
用直线连成线段， 判断所述线段是否与所述障碍物相交， 若不相交， 则计算结 点
% 和结点
11^
I 之间的欧氏距离
并作为
% % 弧的权值； 若相交， 则 弧的权值为
[0088] 加权图单元， 用于新完 M条路径的加权图后， 将所述加权图保存在一个邻接矩 阵 A中；
[0089] 最终路径单元， 用于根据最优粒子 Dijkstm算法从所述邻接矩阵 A中选出最小加 权值对应的路径为最终路径。
[0090] 实施例 =.
[0091] 图 3是本发明一实施例提供的基于粒子群算法的机器人路径规划终端设备的示 意图。 如图 3所示， 该实施例的基于粒子群算法的机器人路径规划终端设备 3包 括： 处理器 30、 存储器 31以及存储在所述存储器 31中并可在所述处理器 30上运 行的计算机程序 32, 例如基于粒子群算法的机器人路径规划程序。 所述处理器 3 0执行所述计算机程序 32时实现上述各个基于粒子群算法的机器人路径规划方法 实施例中的步骤， 例如图 1所示的步骤 101至 103。 或者， 所述处理器 30执行所述 计算机程序 32时实现上述各装置实施例中各模块 /单元的功能， 例如图 2所示模块 21至 23的功能。
[0092] 示例性的， 所述计算机程序 32可以被分割成一个或多个模块 /单元， 所述一个 或者多个模块 /单元被存储在所述存储器 31中， 并由所述处理器 30执行， 以完成 本发明。 所述一个或多个模块 /单元可以是能够完成特定功能的一系列计算机程 序指令段， 该指令段用于描述所述计算机程序 32在所述基于粒子群算法的机器 人路径规划终端设备 3中的执行过程。 例如， 所述计算机程序 32可以被分割成建 模模块、 第一优化模块、 第二优化模块， 各模块具体功能如下：
[0093] 建模模块， 用于根据机器人活动场地的信息进行建模， 生成模拟环境；
[0094] 第一优化模块， 根据所述机器人活动的起点和终点随机生成 N条不与所述障碍 物相交的初始路径， 采用基于粒子群算法的方法在所述模拟环境中， 对 N条初始 路径进行优化， 在优化产生的路径中选出 M条全局最优路径；
[0095] 第二优化模块， 采用基于 Dijkstra算法的方法从所述 M条全局最优路径中选出最 终路径。
[0096] 所述基于粒子群算法的机器人路径规划终端设备 3可以是桌上型计算机、 笔记 本、 掌上电脑及云端服务器等计算设备。 所述基于粒子群算法的机器人路径规 划终端设备可包括， 但不仅限于， 处理器 30、 存储器 31。 本领域技术人员可以 理解， 图 3仅仅是基于粒子群算法的机器人路径规划终端设备 3的示例， 并不构 成对基于粒子群算法的机器人路径规划终端设备 3的限定， 可以包括比图示更多 或更少的部件， 或者组合某些部件， 或者不同的部件， 例如所述基于粒子群算 法的机器人路径规划终端设备还可以包括输入输出设备、 网络接入设备、 总线 等。
[0097] 所称处理器 30可以是中央处理单元 (Central Processing Unit， CPU) , 还可以是其 他通用处理器、 数字信号处理器 (Digital Signal Processor, DSP)、 专用集成电路 (Application Specific Integrated Circuit, ASIC)、 现成可编程门阵列
(Field-Programmable Gate Array, FPGA)或者其他可编程逻辑器件、 分立门或者 晶体管逻辑器件、 分立硬件组件等。 通用处理器可以是微处理器或者该处理器 也可以是任何常规的处理器等。
[0098] 所述存储器 31可以是所述基于粒子群算法的机器人路径规划终端设备 3的内部 存储单元， 例如基于粒子群算法的机器人路径规划终端设备 3的硬盘或内存。 所 述存储器 31也可以是所述基于粒子群算法的机器人路径规划终端设备 3的外部存 储设备， 例如所述基于粒子群算法的机器人路径规划终端设备 3上配备的插接式 硬盘， 智能存储卡 (Smart Media Card, SMC) ， 安全数字 (Secure Digital, SD) 卡， 闪存卡 (Flash Card) 等。 进一步地， 所述存储器 31还可以既包括所述基于 粒子群算法的机器人路径规划终端设备 3的内部存储单元也包括外部存储设备。 所述存储器 31用于存储所述计算机程序以及所述基于粒子群算法的机器人路径 规划终端设备所需的其他程序和数据。 所述存储器 31还可以用于暂时地存储已 经输出或者将要输出的数据。
[0099] 由上可见， 本实施例通过首先根据机器人活动场地的信息进行建模， 生成模拟 环境， 将所述模拟环境作为算法的环境背景； 根据粒子群算法产生 M条备选路径 ; 在所述 M条备选路径上， 由 Dijkstm算法对所述 M条备选路径做平滑处理， 从 M 条备选路径的所有结点中搜索出一条从起始点到目标点的最优路径作为最终路 径。 本实施例相较于粒子群算法， 由于使用了 Dijkstm算法， 产生的最优解比粒 子群算法产生的最优解更平滑， 路径更短； 相较于 Dijkstm算法， 本实施例通过 处理效率高的粒子群算法缩小路径计算范围， 减少了 Dijkstm算法进行后续处理 的计算量， 从而提升了计算效率。
[0100] 所属领域的技术人员可以清楚地了解到， 为了描述的方便和简洁， 仅以上述各 功能单元、 模块的划分进行举例说明， 实际应用中， 可以根据需要而将上述功 能分配由不同的功能单元、 模块完成， 即将所述装置的内部结构划分成不同的 功能单元或模块， 以完成以上描述的全部或者部分功能。 实施例中的各功能单 元、 模块可以集成在一个处理单元中， 也可以是各个单元单独物理存在， 也可 以两个或两个以上单元集成在一个单元中， 上述集成的单元既可以采用硬件的 形式实现， 也可以采用软件功能单元的形式实现。 另外， 各功能单元、 模块的 具体名称也只是为了便于相互区分， 并不用于限制本申请的保护范围。 上述系 统中单元、 模块的具体工作过程， 可以参考前述方法实施例中的对应过程， 在 此不再赘述。
[0101] 在上述实施例中， 对各个实施例的描述都各有侧重， 某个实施例中没有详述或 记载的部分， 可以参见其它实施例的相关描述。
[0102] 本领域普通技术人员可以意识到， 结合本文中所公开的实施例描述的各示例的 单元及算法步骤， 能够以电子硬件、 或者计算机软件和电子硬件的结合来实现 。 这些功能究竟以硬件还是软件方式来执行， 取决于技术方案的特定应用和设 计约束条件。 专业技术人员可以对每个特定的应用来使用不同方法来实现所描 述的功能， 但是这种实现不应认为超出本发明的范围。
[0103] 在本发明所提供的实施例中， 应该理解到， 所揭露的装置 /终端设备和方法， 可以通过其它的方式实现。 例如， 以上所描述的装置 /终端设备实施例仅仅是示 意性的， 例如， 所述模块或单元的划分， 仅仅为一种逻辑功能划分， 实际实现 时可以有另外的划分方式， 例如多个单元或组件可以结合或者可以集成到另一 个系统， 或一些特征可以忽略， 或不执行。 另一点， 所显示或讨论的相互之间 的耦合或直接耦合或通讯连接可以是通过一些接口， 装置或单元的间接耦合或 通讯连接， 可以是电性， 机械或其它的形式。
[0104] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的， 作为单元 显示的部件可以是或者也可以不是物理单元， 即可以位于一个地方， 或者也可 以分布到多个网络单元上。 可以根据实际的需要选择其中的部分或者全部单元 来实现本实施例方案的目的。
[0105] 另外， 在本发明各个实施例中的各功能单元可以集成在一个处理单元中， 也可 以是各个单元单独物理存在， 也可以两个或两个以上单元集成在一个单元中。 上述集成的单元既可以采用硬件的形式实现， 也可以采用软件功能单元的形式 实现。
[0106] 所述集成的模块 /单元如果以软件功能单元的形式实现并作为独立的产品销售 或使用时， 可以存储在一个计算机可读取存储介质中。 基于这样的理解， 本发 明实现上述实施例方法中的全部或部分流程， 也可以通过计算机程序来指令相 关的硬件来完成， 所述的计算机程序可存储于一计算机可读存储介质中， 该计 算机程序在被处理器执行时， 可实现上述各个方法实施例的步骤。 其中， 所述 计算机程序包括计算机程序代码， 所述计算机程序代码可以为源代码形式、 对 象代码形式、 可执行文件或某些中间形式等。 所述计算机可读介质可以包括： 能够携带所述计算机程序代码的任何实体或装置、 记录介质、 U盘、 移动硬盘、 磁碟、 光盘、 计算机存储器、 只读存储器 (ROM, Read-Only Memory) 、 随机 存取存储器 (RAM, Random Access Memory) 、 电载波信号、 电信信号以及软 件分发介质等。 需要说明的是， 所述计算机可读介质包含的内容可以根据司法 管辖区内立法和专利实践的要求进行适当的增减， 例如在某些司法管辖区， 根 据立法和专利实践， 计算机可读介质不包括是电载波信号和电信信号。
[0107] 以上所述实施例仅用以说明本发明的技术方案， 而非对其限制； 尽管参照前述 实施例对本发明进行了详细的说明， 本领域的普通技术人员应当理解： 其依然 可以对前述各实施例所记载的技术方案进行修改， 或者对其中部分技术特征进 行等同替换； 而这些修改或者替换， 并不使相应技术方案的本质脱离本发明各 实施例技术方案的精神和范围， 均应包含在本发明的保护范围之内。

Claims

权利要求书
[权利要求 1] 一种基于粒子群算法的机器人路径规划方法， 其特征在于， 包括：
S1： 根据机器人活动场地的信息进行建模， 生成模拟环境， 具体包括
S101： 根据所述活动场地的信息建立直角坐标系， 在所述直角坐标系 中确定机器人活动的起点和终点；
S102： 对所述活动场地中的障碍物进行规则化处理， 获得所述障碍物 在所述直角坐标系中的顶点坐标；
S103： 使用数组表示所述障碍物的各个顶点坐标；
S2： 根据所述机器人活动的起点和终点随机生成 N条不与所述障碍物 相交的初始路径， 采用基于粒子群算法的方法在所述模拟环境中， 对 N条初始路径进行优化， 在优化产生的路径中选出 M条全局最优路径 ， 其中 M， N均为大于 1的正整数， M为预先设定的值；
S3： 采用基于 Dijkstra算法的方法从所述 M条全局最优路径中选出最 终路径。
[权利要求 2] 如权利要求 1所述的基于粒子群算法的机器人路径规划方法， 其特征 在于， 所述步骤 S2采用基于粒子群算法的方法在所述模拟环境中， 对 N条初始路径进行优化， 在优化产生的路径中选出 M条全局最优路径 包括：
S201： 初始化粒子群， 其中所述粒子群中包含 N个粒子， 每个粒子均 为与所述障碍物不相交的初始路径； S202： 根据预设更新规则从 每个粒子的起点开始进行路径节点更新， 从而生成若干条优化路径； S203： 对每个粒子自身产生的所有优化路径进行适应度函数计算， 从 所有粒子的所有优化路径中选出 M个适应度值最小的路径作为全局最 优路径。
[权利要求 3] 如权利要求 1所述的基于粒子群算法的机器人路径规划方法， 其特征 在于， 所述步骤 S3采用基于 Dijkstra算法的方法从所述 M条全局最优 路径中选出最终路径包括： 步骤 301 : 将所述 M条全局最优路径表示成集合 P:
Figure imgf000021_0001
其中， S表示路径的起始位置， T表示目标位置， S和 T均为定值;
Figure imgf000021_0002
表示第 m个粒子中的第 i个路径节点；
步骤 302: 对集合 P中的任意两结点
f \
I Th 11. | 用直线连成线段， 判断所述线段是否与所述障碍物相交， 若不相交， 则计算结点
% 和结点
B! 之间的欧氏距离
Figure imgf000021_0003
并作为
Figure imgf000021_0004
弧的权值； 若相交， 则
Figure imgf000022_0001
弧的权值为
Figure imgf000022_0002
步骤 S303: 更新完 M条路径的加权图后， 将所述加权图保存在一个邻 接矩阵 A中；
步骤 S304: 根据最优粒子 Dijkstm算法从所述邻接矩阵 A中选出最小加 权值对应的路径为最终路径。
[权利要求 4] 如权利要求 2所述的基于粒子群算法的机器人路径规划方法， 其特征 在于， 所述步骤 S202根据预设更新规则从每个粒子的起点开始进行路 径节点更新， 从而生成若干条优化路径包括：
步骤 A: 根据当前第 d个路径节点的位置更新速度 V ^寸相应的粒子进 行路径节点更新， 判断所述更新后的第 d+1个路径节点与所述第 d个路 径节点连成的直线段是否与所述障碍物相交； 所述 d为小于或等于 D 的正整数， 所述 D为大于 2的正整数， 其中， 每个粒子由 D个路径节点 构成， 所述位置更新速度 V d为由 D个路径节点构成的粒子的第 d个路 径节点的位置更新速度；
步骤 B: 若是， 则采用粒子群算法速度更新公式重新生成所述上一个 第 d个路径节点的位置更新速度 V d并返回执行步骤 A;
步骤 C: 若否， 继续对所述粒子进行路径节点更新， 直至到达所述终 点为止。
[权利要求 5] 如权利要求 1所述的基于粒子群算法的机器人路径规划方法， 其特征 在于， 所述步骤 S102对所述活动场地中的障碍物进行规则化处理， 获 得所述障碍物在所述直角坐标系中的顶点坐标具体包括：
根据所述障碍物的形状和位置信息， 使用能够完全覆盖所述障碍物的 最小矩形进行初步建模， 其中所述矩形与所述直角坐标系的坐标轴平 行；
将所述初步建模的矩形的四边分别向外延伸二分之一机器人的长度， 获得延伸后得到的矩形的各个顶点坐标。
[权利要求 6] —种基于粒子群算法的机器人路径规划装置， 其特征在于， 包括： 建模模块， 用于根据机器人活动场地的信息进行建模， 生成模拟环境 第一优化模块， 根据所述机器人活动的起点和终点随机生成 N条不与 所述障碍物相交的初始路径， 采用基于粒子群算法的方法在所述模拟 环境中， 对 N条初始路径进行优化， 在优化产生的路径中选出 M条全 局最优路径；
第二优化模块， 采用基于 Dijkstm算法的方法从所述 M条全局最优路 径中选出最终路径。
[权利要求 7] 如权利要求 6所述的基于粒子群算法的机器人路径规划装置， 其特征 在于， 所述第一优化模块包括：
初始化单元， 用于初始化粒子群， 其中所述粒子群中包含 N个粒子， 每个粒子均为与所述障碍物不相交的初始路径； 路径更新单元， 根据预设更新规则从每个粒子的起点开始进行路径节 点更新， 从而生成若干条优化路径；
适应度计算单元， 对每个粒子自身产生的所有优化路径进行适应度函 数计算， 从所有粒子的所有优化路径中选出 M个适应度值最小的路径 作为全局最优路径。
[权利要求 8] 如权利要求 6所述的基于粒子群算法的机器人路径规划装置， 其特征 在于， 所述第二化模块包括：
集合单元， 用于将所述 M条全局最优路径表示成集合 P:
Figure imgf000023_0001
其中， S表示路径的起始位置， T表示目标位置， S和 T均为定值;
Figure imgf000024_0001
表示第 m个粒子中的第 i个路径节点；
权值计算单元， 用于对集合 P中的任意两结点
( 11' 11 1 用直线连成线段， 判断所述线段是否与所述障碍物相交， 若不相交， 则计算结点
% 和结点
B!
之间的欧氏距离
Figure imgf000024_0002
并作为
Figure imgf000024_0003
弧的权值； 若相交， 则 n3 ii3 弧的权值为
Figure imgf000024_0004
加权图单元， 用于新完 M条路径的加权图后， 将所述加权图保存在一 个邻接矩阵 A中；
最终路径单元， 用于根据最优粒子 Dijkstm算法从所述邻接矩阵 A中选 出最小加权值对应的路径为最终路径。
[权利要求 9] 一种基于粒子群算法的机器人路径规划的终端设备， 包括存储器、 处 理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序 ， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1 至 5任一项所述方法的步骤。
[权利要求 10] 一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程 序， 其特征在于， 所述计算机程序被处理器执行时实现如权利要求 1 至 5任一项所述方法的步骤。
PCT/CN2018/086896 2018-05-15 2018-05-15 一种基于粒子群算法的机器人路径规划方法、装置及终端设备 WO2019218159A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/086896 WO2019218159A1 (zh) 2018-05-15 2018-05-15 一种基于粒子群算法的机器人路径规划方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/086896 WO2019218159A1 (zh) 2018-05-15 2018-05-15 一种基于粒子群算法的机器人路径规划方法、装置及终端设备

Publications (1)

Publication Number Publication Date
WO2019218159A1 true WO2019218159A1 (zh) 2019-11-21

Family

ID=68539192

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/086896 WO2019218159A1 (zh) 2018-05-15 2018-05-15 一种基于粒子群算法的机器人路径规划方法、装置及终端设备

Country Status (1)

Country Link
WO (1) WO2019218159A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400921A (zh) * 2020-03-23 2020-07-10 中国地质大学（武汉） 一种基于apf-pso算法的污染源定位方法
CN113837478A (zh) * 2021-09-27 2021-12-24 北京百度网讯科技有限公司 路径规划方法、装置、电子设备、存储介质及程序产品
CN114147715A (zh) * 2021-12-09 2022-03-08 乐聚(深圳)机器人技术有限公司 机器人运动轨迹处理方法、装置、控制器及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120226654A1 (en) * 2009-11-05 2012-09-06 Bae Systems Plc Generating a set of solutions to a multi-objective problem
CN105717929A (zh) * 2016-04-29 2016-06-29 中国人民解放军国防科学技术大学 一种多分辨率障碍物环境下移动机器人混合路径规划方法
CN106980741A (zh) * 2017-05-05 2017-07-25 桂林电子科技大学 一种面向分支线缆自动布线的路径搜索方法
CN107992038A (zh) * 2017-11-28 2018-05-04 广州智能装备研究院有限公司 一种机器人路径规划方法
CN108645411A (zh) * 2018-05-15 2018-10-12 深圳大学 基于粒子群算法的机器人路径规划方法、装置及终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120226654A1 (en) * 2009-11-05 2012-09-06 Bae Systems Plc Generating a set of solutions to a multi-objective problem
CN105717929A (zh) * 2016-04-29 2016-06-29 中国人民解放军国防科学技术大学 一种多分辨率障碍物环境下移动机器人混合路径规划方法
CN106980741A (zh) * 2017-05-05 2017-07-25 桂林电子科技大学 一种面向分支线缆自动布线的路径搜索方法
CN107992038A (zh) * 2017-11-28 2018-05-04 广州智能装备研究院有限公司 一种机器人路径规划方法
CN108645411A (zh) * 2018-05-15 2018-10-12 深圳大学 基于粒子群算法的机器人路径规划方法、装置及终端设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400921A (zh) * 2020-03-23 2020-07-10 中国地质大学（武汉） 一种基于apf-pso算法的污染源定位方法
CN111400921B (zh) * 2020-03-23 2022-04-01 中国地质大学（武汉） 一种基于apf-pso算法的污染源定位方法
CN113837478A (zh) * 2021-09-27 2021-12-24 北京百度网讯科技有限公司 路径规划方法、装置、电子设备、存储介质及程序产品
CN114147715A (zh) * 2021-12-09 2022-03-08 乐聚(深圳)机器人技术有限公司 机器人运动轨迹处理方法、装置、控制器及介质

Similar Documents

Publication Publication Date Title
CN108645411B (zh) 基于粒子群算法的机器人路径规划方法、装置及终端设备
CN108876024B (zh) 路径规划、路径实时优化方法及装置、存储介质
CN110703768B (zh) 一种改进型动态rrt*的移动机器人运动规划方法
US8638327B2 (en) Tiled projections for planar processing of round earth data
WO2019218159A1 (zh) 一种基于粒子群算法的机器人路径规划方法、装置及终端设备
WO2022198994A1 (zh) 一种机械臂运动规划方法、装置、可读存储介质及机械臂
CN106643721B (zh) 一种环境拓扑地图的构建方法
WO2020107326A1 (zh) 车道线检测方法、设备、计算机可读存储介质
CN110702117B (zh) 基于地图的路径规划方法、终端设备及计算机存储介质
CN107193923B (zh) 一种二维地理空间快速矢量叠加的方法及系统
CN111024082B (zh) 一种规划机器人局部路径的方法、装置及机器人
CN111626489B (zh) 基于时序差分学习算法的最短路径规划方法和装置
US11948352B2 (en) Speculative training using partial gradients update
Ding et al. An improved RRT* algorithm for robot path planning based on path expansion heuristic sampling
CN114427866A (zh) 路径规划方法、电子设备以及存储介质
CN112100450A (zh) 一种图计算数据分割方法、终端设备及存储介质
CN111754391A (zh) 人脸转正方法、设备及计算机可读存储介质
CN110633843A (zh) 园区巡检方法、装置、设备及存储介质
CN115018992A (zh) 发型模型的生成方法、装置、电子设备及存储介质
CN115326051A (zh) 一种基于动态场景的定位方法、装置、机器人及介质
CN110210564B (zh) 相似户型检测方法及装置
CN113516750B (zh) 三维点云地图构建方法、系统、电子设备及存储介质
WO2022036981A1 (zh) 机器人及其地图构建方法和装置
CN111368860A (zh) 重定位方法及终端设备
CN111522335B (zh) 基于改进粒子群算法的机器人路径优化方法及系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18919311

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 10/03/2021)

122 Ep: pct application non-entry in european phase

Ref document number: 18919311

Country of ref document: EP

Kind code of ref document: A1